Mašīnmācība un padziļināta mācīšanās - kurss 68 040 rub. no SkillFactory, apmācība 20 nedēļas, Datums: 2023. gada 13. augusts.

Īsa kursa programma “Machine Learning PRO”

1. modulis
Ievads mašīnmācībā
Iepazīstamies ar mašīnmācīšanās galvenajiem uzdevumiem un metodēm, pētām praktiskus gadījumus un pielietojam pamata algoritmu darbam pie ML projekta
Mēs risinām 50+ problēmas, lai pastiprinātu tēmu

2. modulis
Datu priekšapstrādes metodes
Mēs pētām datu tipus, mācāmies tīrīt un bagātināt datus, izmantot vizualizāciju priekšapstrādei un apgūt funkciju inženieriju
Mēs risinām 60+ problēmas, lai pastiprinātu tēmu

3. modulis
Regresija
Mēs apgūstam lineāro un loģistisko regresiju, pētām pielietojamības robežas, analītiskos secinājumus un regularizāciju. Apmācības regresijas modeļi
Mēs risinām 40+ problēmas, lai pastiprinātu tēmu

4. modulis
Klasterizācija
Apgūstam mācīšanos bez skolotāja, praktizējam tās dažādās metodes, strādājam ar tekstiem, izmantojot ML
Mēs risinām 50+ problēmas, lai pastiprinātu tēmu

5. modulis
Uz kokiem balstīti algoritmi: ievads kokiem
Iepazīsimies ar lēmumu kokiem un to īpašībām, apgūsim kokus no sklearn bibliotēkas un izmantosim kokus regresijas uzdevuma risināšanai

Mēs risinām 40+ problēmas, lai pastiprinātu tēmu

6. modulis
Uz kokiem balstīti algoritmi: ansambļi
Mēs pētām koku ansambļu iezīmes, praktizējam pastiprināšanu, izmantojam ansambli, lai izveidotu loģistikas regresiju
Mēs risinām 40+ problēmas, lai pastiprinātu tēmu
Mēs piedalāmies konkursā uz kaggle par koku modeļa apmācību

7. modulis
Algoritmu kvalitātes novērtēšana
Mēs pētām izlases sadalīšanas, nepietiekamas un pārmērīšanas principus, novērtējam modeļus, izmantojot dažādus kvalitātes rādītājus, mācāmies vizualizēt mācību procesu
Novērtējot vairāku ML modeļu kvalitāti
Mēs risinām 40+ problēmas, lai pastiprinātu tēmu

8. modulis
Laika rindas mašīnmācībā
Iepazīsimies ar laikrindu analīzi ML, apgūsim lineāros modeļus un XGBoost, pētīsim savstarpējās validācijas un parametru atlases principus
Mēs risinām 50+ problēmas, lai pastiprinātu tēmu

9. modulis
Ieteikuma sistēmas
Mēs pētām ieteikumu sistēmu konstruēšanas metodes, apgūstam SVD algoritmu, novērtējam apmācītā modeļa ieteikumu kvalitāti
Mēs risinām 50+ problēmas, lai pastiprinātu tēmu

10. modulis
Fināls hakatons
Mēs izmantojam visas pētītās metodes, lai iegūtu maksimālu kaggle modeļa prognožu precizitāti

Kursu programma "Deep Learning"

1. modulis
Ievads mākslīgajos neironu tīklos
Mēs izveidojam neironu tīklu ar roku rakstītu skaitļu atpazīšanai Python

2. modulis
Padziļinātas apmācības ietvari (TensorFlow, Keras)
Mēs izveidojam attēlu atpazīšanas modeli, pamatojoties uz FashionMNIST datu kopu un Keras sistēmu

3. modulis
Konvolūcijas neironu tīkli
Mēs atpazīstam attēlus CIFAR-10 datu kopā, izmantojot konvolucionālo neironu tīklu

4. modulis
Neironu tīklu optimizācija
Tīklu ātruma un veiktspējas uzlabošana iepriekšējā moduļa gadījumā

5. modulis
Mācību pārsūtīšana un precizēšana
ImageNET neironu tīkla papildu apmācība attēlu klasifikācijas problēmas risināšanai

6. modulis
Attēlu segmentācija
Neironu tīkla projektēšana cilvēku segmentēšanai COCO datu kopā

7. modulis
Objektu noteikšana
Mēs apmācām neironu tīklu, lai atrisinātu noteikšanas problēmu, izmantojot datu kopas piemēru ar zīmola logotipiem

8. modulis
Ievads NLP un Word iegulšanā
Neironu tīkla izveide darbam ar dabisko valodu

9. modulis
Atkārtoti neironu tīkli
Tērzēšanas robota izveide, pamatojoties uz atkārtotu neironu tīklu

10. modulis
Pastiprināšanas mācības
Aģenta izveide tenisa spēlēšanai, pamatojoties uz DQN algoritmu

11. modulis
Ko tālāk?
Iepazīsimies ar citām neironu tīklu pielietojuma jomām. GAN neironu tīkla izveide attēlu ģenerēšanai